Yuri Saito 1 Ricardo J. Ferrari 2, Jefferson Teixeira 1 Andre P.L.F. de Carvalho 1 Paulo M. de Azevedo Marques 3 Antonio C.
|
|
- Victoria Laranjeira Farias
- 7 Há anos
- Visualizações:
Transcrição
1 Modelo Estatístico para a Determinação do Número Ótimo de Iterações do Filtro de Difusão Anisotrópica Aplicado à Redução de Ruído de Imagens de Ressonância Magnética do Cérebro Yuri Saito 1 Ricardo J. Ferrari 2, Jefferson Teixeira 1 Andre P.L.F. de Carvalho 1 Paulo M. de Azevedo Marques 3 Antonio C. dos Santos 3 Resumo: Apesar do grande sucesso dos filtros de difusão anisotrópica na redução de ruídos de imagens médicas, uma limitação dessa abordagem iterativa é a determinação automática do número correto de iterações do algoritmo, visto que um número grande de iterações pode causar um borramento excessivo das bordas entre as estruturas anatômicas, enquanto um número pequeno pode não ser suficiente para remover completamente o ruído da imagem. Portanto, este trabalho propõe um modelo estatístico para a determinação automática do número ótimo de iterações do filtro de difusão anisotrópica aplicado à redução de ruído de imagens médicas. O modelo é determinado off-line por meio da maximização do índice de similaridade estrutural, o qual é usado neste trabalho como uma função objetivo para avaliar quantitativamente a qualidade das imagens resultantes após cada iteração do filtro. Após a determinação dos parâmetros do modelo, o número ótimo de iterações do algoritmo necessário para remover o ruído da imagem e, ao mesmo tempo preservar as bordas entre as estruturas anatômicas, é facilmente obtido. Resultados aplicados às imagens 3D de ressonância magnética do cérebro são apresentados para ilustrar a eficácia do método proposto. 1 Instituto de Ciências Matemáticas e de Computação (ICMC) Universidade de São Paulo, São Carlos, SP, Brasil 2 Departamento de Computação (DC) Universidade Federal de São Carlos (UFSCar) Rod. Washington Luís, Km Caixa Postal , São Carlos, SP, Brasil { rferrari@dc.ufscar.br} 3 Centro de Ciências das Imagens e Física Médica (CCIFM) Departamento de Clínica Médica da Faculdade de Medicina de Ribeirão Preto (FMRP) Universidade de São Paulo, Ribeirão Preto, SP, Brasil
2 Modelo Estatístico para a Determinação do Número Ótimo de Iterações do Filtro de Difusão Anisotrópica Aplicado à Redução de Ruído de Imagens de Ressonância Magnética do Cérebro Abstract: Despite the great success of the anisotropic diffusion filters applied to medical image denoising, one limitation of this iterative approach is the automatic determination of the correct number of iterations of the algorithm since a large number of iterations can cause an excessive blurring of the edges of the anatomical structures, while a small number may not be enough to completely remove the noise from an image. Therefore, this work proposes a statistical model to automatically determine the optimum number of iterations of the anisotropic diffusion filter applied to medical image denoising. The model is determined off-line by means of the maximization of the structural similarity index, which is used in this work as an objective function for quantitative quality assessment of the resulting images after each filter iteration. After determining the model parameters, the optimum number of algorithm iterations required to remove the image noise, while preserving all important edges between the anatomical structures, is easily obtained. Results of the proposed method applied to 3D magnetic resonance images of the human brain are presented to illustrate the efficiency of the proposed method. RITA Volume 17 Número
3 Modelo Estatístico para a Determinação do Número Ótimo de Iterações do Filtro de Difusão Anisotrópica Aplicado à Redução de Ruído de Imagens de Ressonância Magnética do Cérebro 1 Introdução A redução de ruído é uma etapa muito importante em sistemas computadorizados usados para a segmentação de imagens médicas. Apesar do grande número de técnicas para a redução de ruído de imagens apresentadas na literatura, em geral, as que apresentam os maiores índices de relação sinal-ruído de pico ( Peak Signal-to-Noise Ratio - PSNR ) podem ser classificadas em dois grupos principais: (I) técnicas baseadas em Análise Harmônica Computacional; por exemplo, as baseadas na transformada wavelets e Fourier [1, 2] e (II) técnicas baseadas em equações diferencias parciais ( Partial Differential Equations - PDE ); como os filtros de difusão anisotrópica [3, 4, 5]. Embora algumas técnicas relacionadas ao grupo (I) tenham se mostrado bastante promissoras quando aplicadas à redução de ruídos de imagens médicas [6, 7], em geral, elas quase sempre introduzem algum tipo de artefato nas imagens - o que é um grande impedimento para o seu uso prático em imagens médicas [8]. Embora esse problema não ocorra com os filtros de difusão anisotrópica ( Anisotropic Diffusion Filter - ADF ) propostos inicialmente por Perona & Malik [4], uma grande limitação dessa outra abordagem iterativa é a determinação correta do número de iterações do algoritmo, visto que um número grande de iterações pode causar um borramento excessivo das bordas entre as estruturas anatômicas, enquanto um número pequeno pode não ser suficiente para a remoção completa do ruído da imagem. Em [9], os autores investigaram o relacionamento entre o tempo de parada do processo evolutivo do algoritmo de difusão anisotrópica e o nível de ruído e, com base nesse estudo, um novo modelo de PDE foi proposto. Embora os autores afirmem que o método é suficientemente robusto para a redução de qualquer nível de ruído da imagem, algumas imagens apresentadas por eles como ilustração do método proposto apresentam artefatos nitidamente visíveis próximos às bordas dos objetos, o que pode comprometer o seu uso em aplicações médicas. Neste trabalho um modelo estatístico é proposto para a determinação automática do número ótimo de iterações para o ADF aplicado na redução de ruído de imagens de Ressonância Magnética (RM) do cérebro. O modelo proposto é determinado off-line por meio da maximização do índice de similaridade estrutural ( Structural SIMilarity - SSIM ) [10], usado aqui como função objetivo para avaliar quantitativamente a qualidade da imagem após cada iteração do filtro. Após a determinação dos parâmetros do modelo estatístico por meio de imagens simuladas de RM obtidas do projeto BrainWeb [11], o número ótimo de iterações necessárias para remover o ruído de uma imagem e, ao mesmo tempo, preservar as bordas entre as estruturas anatômicas é facilmente obtido. Cabe ressaltar que nenhuma modificação é realizada diretamente no ADF, garantindo-se assim que nenhum artefato será criado ou inserido nas imagens processadas para a redução do ruído. Esse trabalho é organizado da seguinte maneira. Na Seção 2 são apresentas informa- 54 RITA Volume 17 Número
4 Modelo Estatístico para a Determinação do Número Ótimo de Iterações do Filtro de Difusão Anisotrópica Aplicado à Redução de Ruído de Imagens de Ressonância Magnética do Cérebro ções a respeito da base de imagens utilizada, uma breve revisão teórica da técnica de difusão anisotrópica e do índice SSIM, uma discussão sobre os tipos de ruídos que afetam as imagens de RM e, a formulação do modelo estatístico proposto para a determinação do número ótimo de iterações do ADF. Resultados e discussões são apresentados na Seção 3, seguido das conclusões e considerações finais na Seção 4. 2 Materiais e Métodos 2.1 Banco de Imagens Neste trabalho foram utilizadas imagens simuladas tridimensionais (3D) de RM do cérebro, de contraste T1-ponderado, obtidas do projeto BrainWeb [11]. As imagens possuem as seguintes características: matriz de aquisição de tamanho , dimensão do pixel no plano igual a 1 1 mm 2, espessura das fatias de 1 mm e profundidade de 12 bits. Todas as imagens foram obtidas inicialmente sem ruído e sem o efeito de heterogeneidade da intensidade dos níveis de cinza. Posteriormente, as imagens foram corrompidas por ruído do tipo Riciano por meio de um programa escrito na linguagem de programação C++, que possui um parâmetro de entrada κ que corresponde a um percentual de ruído escalonado a partir do valor máximo da intensidade de cinza da imagem de RM. 2.2 Filtro de Difusão Anisotrópica As técnicas de difusão anisotrópica simulam, por meio do uso da equação de difusão do calor, o processo que cria um modelo do tipo espaço-escala, onde uma imagem gera uma família parametrizada de sucessivas imagens borradas. Perona e Malik [4] formularam a equação de difusão anisotrópica discreta como: Is t+1 = Is t + λ g ( I s,p ) I s,p, (1) η s pɛη s onde, I t s corresponde a imagem discretizada e I é o gradiente da imagem. A função g ( ) é chamada de parada-na-aresta ( edge-stopping ) e o parâmetro t refere-se ao número de iterações. A constante λ ɛ R, com λ > 0, corresponde à taxa de difusão e η s define a vizinhança de um voxel na posição espacial s = (x, y, z). O gradiente da imagem é calculado como: I s,p = I p I t s, (2) onde p ɛ η s representa um voxel da vizinhança η s. O uso da direção do gradiente permite RITA Volume 17 Número
5 Modelo Estatístico para a Determinação do Número Ótimo de Iterações do Filtro de Difusão Anisotrópica Aplicado à Redução de Ruído de Imagens de Ressonância Magnética do Cérebro o borramento local apenas na direção paralela às bordas da imagem, o que faz com que as bordas sejam preservadas. 2.3 Filtro de Difusão Anisotrópica Robusta Embora a técnica de difusão anisotrópica introduzida por Perona e Malik [4] seja amplamente utilizada para a segmentação de imagens, ela possui uma desvantagem que é o inevitável borramento contínuo das bordas da imagem, caso o número de iterações continue a crescer indefinidamente. A fim de minimizar esse problema, Black et al. [12] propuseram uma nova função parada-na-aresta ψ ( ) baseada em estatística robusta, e nomearam essa nova técnica como filtro de Difusão Anisotrópica Robusto ( Robust Anisotropic Diffusion Filter - RADF ). A nova função ψ ( ) proposta por Black et al. é a função Tukey s biweight, definida como: [ I 1 ( ) I 2 ] 2 ψ ( I, σ) = σ, se I σ 0, caso contrário (3) onde σ = δ σ ɛ é chamado de parâmetro de escala de RADF e σ ɛ é o parâmetro de escala robusto da imagem. O fator de correção δ varia de acordo com o tipo de função parada-naaresta e no caso da função Tukey s biweight o seu valor é 5 [13]. O valor de σ controla o limite mínimo da intensidade do gradiente na imagem antes dessa ser considerada ruído. O valor de σ ɛ corresponde ao desvio padrão do ruído da imagem e é calculado como: σ ɛ = 1, 4826 MAD ( I) = median I [ I median I ( I ) ], (4) onde MAD é o desvio absoluto da mediana ( Median of Absolute Deviation ) e a constante 1, 4826 é determinada com base no fato que o desvio absoluto da mediana de uma distribuição normal de média zero e variância unitária é igual a 0, 6745 = 1/1, Apesar do RADF apresentar melhorias em relação ao ADF, esse filtro é ainda muito dependente do número de iterações, que precisa ser ajustado manualmente e de maneira adhoc para cada fim específico e para imagens com diferentes níveis de ruído toda vez que uma imagem é processada. 2.4 Estimação de Ruído em Imagens de RM O método de aquisição de imagens de RM mais comum é o baseado na codificaçãode-fase ( phase-encoding ). Nesse método, o objeto de interesse é efetivamente imageado 56 RITA Volume 17 Número
6 Modelo Estatístico para a Determinação do Número Ótimo de Iterações do Filtro de Difusão Anisotrópica Aplicado à Redução de Ruído de Imagens de Ressonância Magnética do Cérebro no domínio da frequência [14]. Os valores medidos na aquisição são valores complexos provenientes da codificação da fase e frequência dos sinais de rádio frequência. Esses valores são armazenados em um espaço de memória temporária conhecido como k-space, e são indicados como: Y (µ, υ) = Y Re (µ, υ) + iy Im (µ, υ), (5) onde µ e υ indicam as frequências horizontais e verticais, i = 1, e Y Re (µ, υ) e Y Im (µ, υ) são os componentes reais e imaginários dos dados. Em equipamentos de RM com campo magnético de intensidade média ou alta, os componentes Y Re (µ, υ) e Y Im (µ, υ) são corrompidos principalmente por ruído térmico (branco) Gaussiano aditivo, devido ao próprio paciente [15]. A técnica de reconstrução da imagem de RM mais comum é a que utiliza a transformada rápida inversa de Fourier ( Inverse Fast Fourier Transform - IFFT ) das medições Y (µ, υ), ou seja, Ŷ (µ, υ) = IFFT{Y (µ, υ)} = ŶRe(µ, υ) + iŷim(µ, υ). (6) Visto que a IFFT é uma transformação linear e ortogonal, ela não altera a forma funcional das distribuições dos dados complexos. A imagem de RM I usual corresponde a magnitude do sinal complexo de RM, que é calculado como I = ŶRe 2 (µ, υ) + Ŷ 2 Im (µ, υ). (7) Como os componentes reais e imaginários de Ŷ (µ, υ) correspondem a soma de variáveis aleatórias independentes e é uma operação matemática não-linear, a distribuição Gaussiana original dos valores de cada componente é mapeada para uma distribuição Rician [5]. Em regiões de baixa intensidade do sinal (região de fundo da imagem com baixo valor de SNR), a distribuição tende a uma distribuição Rayleigh. Por outro lado, em regiões de alta intensidade do sinal (região do objeto imageado com alto valor de SNR), ela se aproxima de uma distribuição Gaussiana [15]. Portanto, para a estimação correta do desvio padrão σ o do ruído do objeto, podese utilizar tanto a região interna ao objeto com intensidade constante, onde os valores da intensidade seguem uma distribuição Gaussiana com média zero e desvio padrão σ o, quanto a região de fundo da imagem, onde os valores da intensidade seguem uma distribuição Rayleigh com desvio padrão σ b. Nesse último caso, um fator de correção deve ser aplicado ao valor estimado σ b para que esse corresponda ao valor do ruído no objeto. Por simplicidade, neste trabalho optou-se por estimar σ b a partir da intensidade dos voxels da região de fundo da imagem e realizar a correção do ruído como: RITA Volume 17 Número
7 Modelo Estatístico para a Determinação do Número Ótimo de Iterações do Filtro de Difusão Anisotrópica Aplicado à Redução de Ruído de Imagens de Ressonância Magnética do Cérebro σ o = 1 4 π 2 σ b 1, 527 σ b, onde 1, 527 é o fator de correção da distribuição [16]. Neste trabalho, a região de fundo da imagem foi determinada por meio da técnica de limiarização de Otsu [17]. Cabe ressaltar também que o fator de escala robusto do RADF é igual ao desvio padrão do ruído do objeto na imagem, ou seja, σ ɛ = σ o 1, 527σ b. 2.5 Índice de Similaridade Estrutural (SSIM) O índice de similaridade estrutural foi proposto por Wang et al. [10] para medir a fidelidade entre duas imagens. O índice SSIM é considerado uma métrica de referência completa, o que significa que a medição da qualidade (ou fidelidade) de uma determinada imagem por meio desse índice é baseada (ou referenciada) em uma imagem inicial não-comprimida e livre de distorções e ruídos. Diferentemente dos métodos tradicionais usados para medir a qualidade de imagens, como o PSNR e o erro médio quadrático ( mean squared error - MSE ), o índice SSIM é consistente com a percepção visual humana e seu valor varia convenientemente entre 0 e 1. Embora existam algumas variações do índice SSIM, em sua forma básica o índice SSIM local é calculado entre duas regiões locais correspondentes m e n como a composição de três medidas de similaridades entre; a similaridade de brilho b (m, n), de contraste c (m, n) e de estrutura e (m, n) como: SSIM(m, n) = b ((m, n) c (m, ) n) e (m, n) = 2µmµ n+c 1 µ 2 m +µ2 n +C1 ( ) 2σ mσ n+c 2 σ m 2 +σ2 n +C2 ( ) σm,n+c 3 σ mσ n+c 3, (8) onde µ m, µ n e σ m, σ n representam, respectivamente, as médias e os desvios padrão das regiões locais m e n, e σ m,n indica a correlação entre as regiões. As constantes C 1 = 6, 5025, C 2 = 58, 5225 e C 3 = C2 2 têm como função estabilizar cada componente [10]. Os índices SSIM locais calculados para janelas de voxels com sobreposição para cada posição espacial s = (x, y, z) da imagem são sumarizados em um índice SSIM global por meio da média dos índices locais. 58 RITA Volume 17 Número
8 Modelo Estatístico para a Determinação do Número Ótimo de Iterações do Filtro de Difusão Anisotrópica Aplicado à Redução de Ruído de Imagens de Ressonância Magnética do Cérebro 2.6 Formulação do Modelo Proposto A relação entre o índice SSIM e o número de iterações do RADF foi investigada com o objetivo de determinar o número ótimo de iterações 4 para a remoção do ruído de imagens de RM do cérebro humano, sem contudo, borrar ou destruir as bordas entre os tecidos cerebrais nas imagens. Nos experimentos, os índices SSIM foram calculados usando uma imagem de RM do cérebro sem ruído (imagem de controle), e a mesma imagem com ruído (κ% de ruído Riciano) pré-processada pelo RADF com diferentes números de iterações. A Figura 1 mostra os resultados desses experimentos para κ = 2, 3, 4, 5, 6 e 7% de ruído. Observando as curvas da Figura 1 nota-se que, independentemente do nível de ruído nas imagens, o índice SSIM aumenta de maneira consistente com o número de iterações do RADF até atingir um valor máximo e depois diminui novamente a medida que a imagem é continuamente borrada. Esses resultados sugerem que essas relações apresentam um comportamento característico e aparentemente similar, onde a alteração do nível de ruído da imagem gera apenas uma mudança na escala e um deslocamento dos gráficos, ou seja, as curvas parecem ter a mesma forma funcional. Para confirmar a veracidade dessa observação, determinou-se por meio de ajustes ( fitting ) que, de fato, as curvas podem ser representadas por uma família de funções, que nesse caso corresponde a uma distribuição do tipo Weibull, indicada como: W (t, k, λ) = { ( k λ) ( t λ) k 1 e ( t λ) k, t > 0 0, caso contrário (9) onde k e λ são chamados, respectivamente, de parâmetros de forma e de escala. Com base nos gráficos da Figura 1 e nos resultados dos ajustes das curvas na Tabela 1, observa-se que o parâmetro de forma k apresenta uma variação muito pequena com o nível de ruído da imagem. Fixando esse parâmetro como k = 1, 76 observa-se que os valores dos parâmetros de escala λ para as diferentes curvas possuem uma relação linear com o valor do ruído σ b. Essa observação foi comprovada via regressão linear, como mostra o gráfico da Figura 2, onde obteve-se λ(σ b ) = 3, , 091σ b com erro padrão ε = 0, 3921%. Usando as relações descritas anteriormente, o número ótimo de iterações (t ) do RADF pode então ser determinado como função do nível de ruído σ b a partir do cálculo do valor máximo da função de distribuição Weibull dada em (9). Assim, derivando-se W em função de t e igualando o resultado a zero, tem-se: 4 A palavra ótimo nesse contexto refere-se ao número de iterações que maximiza o valor do índice SSIM. Embora esse índice tenha sido desenvolvido com base na teoria da percepção visual humana, ele se correlaciona muito bem com a qualidade obtida na segmentação automática das imagens. RITA Volume 17 Número
9 Modelo Estatístico para a Determinação do Número Ótimo de Iterações do Filtro de Difusão Anisotrópica Aplicado à Redução de Ruído de Imagens de Ressonância Magnética do Cérebro 0,7 0,6 0,5 SSIM 0,4 0,3 2% 3% 4% 5% 6% 7% 0,2 0, Número de Iterações Figura 1. Gráfico das relações entre o índice SSIM e o número de iterações do RADF calculados para imagens com inserção de diferentes níveis de ruído κ. κ% Ruído estimado(σ b ) k λ ɛ(%) 2 55,6 1,7637 8,07 0, ,8 1, ,47 0, ,3 1, ,87 0, ,8 1, ,07 0, ,8 1, ,47 0, ,8 1, ,67 0,0584 Tabela 1. Valores estimados do ruído (σ b ), dos parâmetros da função de distribuição Weibull (parâmetros de forma (k) e de escala (λ)) e dos respectivos erros padrões de ajustes (ɛ) variando-se o nível de ruído κ inserido nas imagens. dw (t) dt = (( k 2 k ) t k λ k k 2 t 2k) e ( t λ) k t 2 λ 2k = 0. (10) 60 RITA Volume 17 Número
10 Modelo Estatístico para a Determinação do Número Ótimo de Iterações do Filtro de Difusão Anisotrópica Aplicado à Redução de Ruído de Imagens de Ressonância Magnética do Cérebro λ pontos originais λ(σ b ) = 0,091σ b + 3, σ b Figura 2. Ajuste linear entre os valores do parâmetro de escala λ da função de distribuição Weibull e o nível de ruído σ b das imagens de RM de cérebro. O erro padrão do ajuste nesse caso foi de 0,3921%. Resolvendo (10), para t > 0 e constantes k = 1, 76 e λ = λ σb = λ(σ b ), obtem-se finalmente: t (σ b ) = ( λ k σ b λk σ b k ) 1 k, (11) que é o número ótimo de iterações do RADF que maximiza o valor do índice estrutural de qualidade da imagem. Portanto, uma vez estimado o valor do ruído de fundo (σ b ) da imagem, obtém-se facilmente o número ótimo de iterações (t ) do RADF. 3 Resultados e Discussões A Figura 3 mostra um corte axial de uma imagem de RM do cérebro corrompida com κ = 5% de ruído e sem a presença de heterogeneidades na intensidade dos níveis de cinza RITA Volume 17 Número
11 Modelo Estatístico para a Determinação do Número Ótimo de Iterações do Filtro de Difusão Anisotrópica Aplicado à Redução de Ruído de Imagens de Ressonância Magnética do Cérebro (a) t = 1 e SSIM = 0,2104 (b) t = 3 e SSIM = 0,4148 (c) t = 6 e SSIM = 0,6002 (d) t = 9 e SSIM = 0,6475 (e) t = 12 e SSIM = 0,5967 (f) t = 15 e SSIM = 0,4915 Figura 3. Imagens de RM do cérebro com ruído κ = 5% após 1, 3, 6, 9*, 12 e 15 iterações do RADF. O sinal * indica o número ótimo de iterações determinado automaticamente pelo método proposto. ( biasfield ). A imagem foi processada com o RADF variando-se o número de iterações do algoritmo. Os números de iterações e os respectivos índices SSIM, calculados para as imagens resultantes do pré-processamento com o RADF, são indicados. Observando-se o aspecto visual das imagens é possível notar que a imagem 3(d), obtida com o número ótimo de iterações determinado automaticamente, corresponde a uma imagem com pouco ruído e com um bom contraste entre os tecidos cerebrais. Para as imagens 3(a)-(c), uma quantidade significativa de ruído pode ser ainda observada nos tecidos 62 RITA Volume 17 Número
12 Modelo Estatístico para a Determinação do Número Ótimo de Iterações do Filtro de Difusão Anisotrópica Aplicado à Redução de Ruído de Imagens de Ressonância Magnética do Cérebro (a) Controle (b) κ = 2% de ruído (c) t = 5 e SSIM = 0,6880 (d) Diferença (b) (c) (e) hist. de (d) (f) t = 10 e SSIM = 0,4169 (g) Diferença (b) (f) (h) hist. de (g) Figura 4. Resultados do pré-processamento de uma imagem com κ = 2% de ruído usando o RADF. RITA Volume 17 Número
13 Modelo Estatístico para a Determinação do Número Ótimo de Iterações do Filtro de Difusão Anisotrópica Aplicado à Redução de Ruído de Imagens de Ressonância Magnética do Cérebro cerebrais branco e cinzento. Por outro lado, embora nas imagens 3(e) e (f) o ruído tenha sido praticamente eliminado, essas imagens apresentam um baixo contraste entre as bordas dos tecidos, causado pelo borramento excessivo das imagens. A Figura 4 ilustra uma imagem corrompida com κ = 2% de ruído. Neste caso, o número ótimo de iterações determinado automaticamente pelo modelo proposto foi igual a 5, com índice SSIM=0,6880 associado. As diferenças absolutas entre as imagens antes e depois do pré-processamento também são apresentadas para o número de iterações ótimo (t*=5) e para 10 iterações. Comparando-se as imagens 4(d) e 4(g) é possível observar que na última, além do ruído, uma grande quantidade de informação estruturada é removida. Isso pode também ser verificado analisando-se os seus respectivos histogramas em 4(e) e 4(h). De maneira similar a descrita acima, a Figura 5 ilustra uma outra imagem corrompida com κ = 4% de ruído. Nesse caso, o número ótimo de iterações automaticamente determinado foi igual a 8, com índice SSIM=0,6539 associado. Comparando com os valores obtidos com o experimento da Figura 4, observa-se que um número maior de iterações foi necessário para se obter o valor máximo do índice SSIM, que nesse caso é menor que o obtido para a imagem com κ = 2% de ruído. Obviamente, esse fato se justifica pela maior degradação da imagem original e a dificuldade cada vez maior de se obter uma imagem pré-processada mais próxima da imagem de controle. A fim de demonstrar a generalização do método proposto para imagens clínicas reais, uma imagem de RM de cérebro de um paciente com Esclerose Múltipla, indicada na Figura 6, foi utilizada. A imagem pertence a um banco de imagens da Faculdade de Medicina do Hospital das Clínicas de Ribeirão Preto. Neste caso, o número ótimo de iterações determinado pelo método proposto foi igual a 4, que indica um baixo nível de ruído. O valor do índice SSIM não foi calculado neste caso devido a inexistência de uma imagem de controle. As diferenças absolutas entre as imagens antes e depois do pré-processamento são apresentadas para melhor visualização do efeito do RADF. Comparando as imagens 6(b) e (e) e os histogramas 6(c) e (f) observa-se que a quantidade de informação estruturada removida no pré-processamento com 8 iterações do RADF é muito maior que para o valor ótimo de iterações. A Figura 7 ilustra o efeito do número de iterações do algoritmo RADF nos resultados da segmentação das imagens de RM do cérebro. Nesse exemplo, as imagens 7(a)-(c) correspondem, respectivamente, à imagem original corrompida com κ = 3% de ruído e aos resultados do pré-processamento da imagem 7(a) pelo RADF com o número ótimo de iterações, determinado como igual a 6, e com 15 iterações. A segmentação foi realizada por meio de um modelo finito de mistura de Gaussianas [18] usando apenas imagens de RM ponderadas em T1. Observando a imagem segmentada 7(d) nota-se visivelmente que a presença de ruído na imagem 7(a) gera espúrios no resultado da segmentação em 7(d). No caso da imagem 7(f), nota-se que uma grande quantidade de detalhes é perdida na segmentação devido ao baixo 64 RITA Volume 17 Número
14 Modelo Estatístico para a Determinação do Número Ótimo de Iterações do Filtro de Difusão Anisotrópica Aplicado à Redução de Ruído de Imagens de Ressonância Magnética do Cérebro (a) Controle (b) κ = 4% de ruído (c) t = 8 e SSIM = 0,6539 (d) Diferença (b) (c) (e) hist. de (d) (f) t = 14 e SSIM = 0,4838 (g) Diferença (b) (f) (h) hist. de (g) Figura 5. Resultados do pré-processamento de uma imagem com κ = 4% de ruído usando o RADF. RITA Volume 17 Número
15 Modelo Estatístico para a Determinação do Número Ótimo de Iterações do Filtro de Difusão Anisotrópica Aplicado à Redução de Ruído de Imagens de Ressonância Magnética do Cérebro (a) t = 4 (b) (a) original (c) histograma de (b) (d) t = 8 (e) (d) original (f) histograma de (e) Figura 6. Resultados do processamento de uma imagem clínica. 66 RITA Volume 17 Número
16 Modelo Estatístico para a Determinação do Número Ótimo de Iterações do Filtro de Difusão Anisotrópica Aplicado à Redução de Ruído de Imagens de Ressonância Magnética do Cérebro contraste entre as bordas dos tecidos da imagem pré-processada 7(c). Finalmente, observa-se que a imagem segmentada em 7(e) não possui espúrios devido a presença de ruído e os detalhes entre as fronteiras dos tecidos foram preservados. A Tabela 2 apresenta uma análise quantitativa dos resultados da segmentação apresentados na Figura 7. Como pode-se comprovar, os melhores resultados da segmentação, em relação as taxas de Verdadeiro-Positivos (TPR), Falso-Positivos (FPR) e Acurácia (ACC) correspondem, de fato, a imagem processada com o número ótimo de iterações determinado pelo método proposto. (a) κ = 3% ruído, SSIM=0,2031 (b) t* = 6, SSIM=0,6654 (c) t = 15, SSIM = 0,3843 (d) segmentação de (a) (e) segmentação de (b) (f) segmentação de (c) Figura 7. Resultados da segmentação para uma imagem com κ = 3% de ruído e processada com o número ótimo de iterações e com 15 iterações do RADF. RITA Volume 17 Número
17 Modelo Estatístico para a Determinação do Número Ótimo de Iterações do Filtro de Difusão Anisotrópica Aplicado à Redução de Ruído de Imagens de Ressonância Magnética do Cérebro Iterações Massa Massa Líquido t branca cinzenta cefalorraquidiano TPR FPR ACC TPR FPR ACC TPR FPR ACC 0 0,97 0,01 0,93 0,72 0,09 0,93 0,98 0,00 0,98 6* 1,0 0,00 0,99 1,0 0,00 0,99 1,0 0,00 1,0 15 0,83 0,04 0,97 1,0 0,00 0,97 0,98 0,00 1,0 Tabela 2. Análise quantitativa dos resultados da segmentação ilustrados na Figura 7(d)-(f). O sinal * indica o número ótimo de iterações. 4 Conclusões e Considerações Finais Um novo método para a determinação automática do número ótimo de iterações do RADF foi proposto neste trabalho. O método usa um modelo estatístico que relaciona o número de iterações do RADF com o valor do índice de qualidade estrutural (SSIM) de uma imagem. Dessa forma, por meio da maximização do índice SSIM, obtêm-se o número ótimo de iterações. Embora o número ótimo de iterações seja determinado a partir de um índice de qualidade visual, alguns experimentos mostraram uma boa correlação entre o índice e a qualidade da segmentação das imagens. Uma outra vantagem do método proposto, é que este permite o cálculo direto (sem a necessidade de análise a cada iteração) do número ótimo de iterações, visto que o modelo estatístico relacionando o índice SSIM e o nível de ruído da imagem determinado de maneira off-line, ou seja, antes do processamento da imagem. Embora o modelo proposto tenha sido determinado a partir de imagens de RM simuladas, alguns testes foram realizados com imagens clínicas para comprovar a sua generalização e eficácia. Nesse trabalho, apenas imagens ponderadas em T1 foram utilizadas. No entanto, o mesmo procedimento pode ser utilizado para imagens ponderadas em T2 e PD. Finalmente, cabe observar que embora o mesmo procedimento proposto neste trabalho para a obtenção do modelo estatístico possa ser aplicado a outras modalidades de imagens e estruturas anatômicas, uma imagem de referência será sempre necessária. Por causa dessa limitação, um novo modelo está sendo investigado no qual o índice de qualidade de referência completa é substituído por um índice de qualidade às cegas ( blinded ), ou seja, um índice sem referência fixa. Agradecimentos Os autores são gratos à Fundação de Amparo à Pesquisa do Estado de São Paulo (Fapesp) e a Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) pelo 68 RITA Volume 17 Número
18 Modelo Estatístico para a Determinação do Número Ótimo de Iterações do Filtro de Difusão Anisotrópica Aplicado à Redução de Ruído de Imagens de Ressonância Magnética do Cérebro apoio financeiro a esse projeto de pesquisa (processo: 2008/ ) e também à aluna de doutorado da FMRP, Paula Rejane B. Diniz, pela seleção de imagens clínicas utilizadas nos experimentos. Referências * [1] J. Zhong and R. Ning, Image Denoising Based on Wavelets and Multifractals for Singularity Detection, IEEE Transactions on Image Processing, vol. 14, no. 10, pp , [2] G. Fan and X. Xia, Image Denoising Using a Local Contextual Hidden Markov Model in the Wavelet Domain, IEEE Signal Processing Letters, vol. 8, no. 5, pp , [3] G. Gerig, O. Kubler, R. Kikinis, and F. Jolesz, Nonlinear Anisotropic Filtering of MRI Data, IEEE Transactions on Medical Imaging, vol. 11, no. 2, pp , [4] P. Perona and J. Malik, Scale-Space and Edge Detection Using Anisotropic Diffusion, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 12, no. 7, pp , [5] M. Lysaker, A. Lundervold, and X. Tai, Noise Removal Using Fourth-Order Partial Differential Equation With Applications to Medical Magnetic Resonance Images in Space and Time, IEEE Transactions on Image Processing, vol. 12, no. 12, pp , [6] J. Suri, D. Wilson, and S. Laximinarayan, eds., Wavelets in Medical Image Processing: Denoising, Segmentation, and Registration. Handbook of Medical Image Analysis: Advanced Segmentation and Registration Models, New York, NY: Kluwer Academic Publishers, [7] R. Ferrari and R. Winsor, Digital Radiographic Image Denoising via Wavelet-based Hidden Markov Model Estimation, Journal of Digital Imaging, vol. 18, no. 2, pp , [8] E. Candès and F. Guo, New Multiscale Transforms, Minimum Total Variation Synthesis: Applications to Edge-Preserving Image Reconstruction, Signal Processing, vol. 82, no. 11, pp , RITA Volume 17 Número
19 Modelo Estatístico para a Determinação do Número Ótimo de Iterações do Filtro de Difusão Anisotrópica Aplicado à Redução de Ruído de Imagens de Ressonância Magnética do Cérebro [9] C. Barcelos, M. Boaventura, and E. Silva-Jr, Edge detection and noise removal by use of a partial differential equation with automatic selection of parameters, Computational & Applied Mathematics, vol. 24, no. 1, pp , [10] Z. Wang, A. Bovik, H. Sheikh, and E. Simoncelli, Image Quality Assessment: From Error Visibility to Structural Similarity, IEEE Transactions on Image Processing, vol. 13, no. 4, pp , [11] B. Aubert-Broche, M. Griffin, G. Pike, A. Evans, and D. Collins, Twenty New Digital Brain Phantoms for Creation of Validation Image Data Bases, IEEE Transactions on Medical Imaging, vol. 25, no. 11, pp , [12] M. Black, G. Sapiro, D. Marimont, and D. Heeger, Robust Anisotropic Diffusion, IEEE Transactions on Image Processing, vol. 7, no. 3, pp , [13] M. Black and G. Sapiro, Edges as Outliers: Anisotropic Smoothing using Local Image Statistics, Scale-Space Theories in Computer Vision - Lectures Notes in Computer Science, vol. 1682, pp , [14] R. Nowak, Wavelet-based Rician noise removal for magnetic resonance imaging, IEEE Transactions on Image Processing, vol. 8, no. 10, pp , [15] R. Henkelman, Measurement of Sinal Intensities in the Presence of Noise in MR Images, Medical Physics, vol. 12, no. 2, pp , [16] L. Kaufman and L. Crooks, Measuring Signal-to-Noise Ratios in MR Imaging, Radiology, vol. 173, pp , [17] N. Otsu, A Threshold Selection Method from Gray-Level Histograms, IEEE Transactions on Systems, Man, and Cybernetics, vol. 9, no. 1, pp , [18] S. Aylward and S. Pizer, Continuous gaussian mixture modeling, in Proceedings of the Information Processing in Medical Imaging (James Duncan, ed.), pp , RITA Volume 17 Número
Eliminação de Ruídos e Retoque Digital Através de uma Equação Diferencial Parcial de Quarta Ordem
Eliminação de Ruídos e Retoque Digital Através de uma Equação Diferencial Parcial de Quarta Ordem Maurílio Boaventura UNESP - SJRio Preto -SP E-mail: maurilio@ibilce.unesp.br Cassius Gomes de Oliveira
Leia maisFILTROS ESPACIAIS PASSA-BAIXA
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL PROGRAMA DE PÓS-GRADUAÇÃO EM COMPUTAÇÃO CMP65 - INTRODUÇÃO AO PROCESSAMENTO DE IMAGENS PROFESSOR JACOB SCARCHANSKI FILTROS ESPACIAIS PASSA-BAIXA POR DANIEL NEHME
Leia maisRESTAURAÇÃO E RECONSTRUÇÃO DE IMAGENS. Nielsen Castelo Damasceno
RESTAURAÇÃO E RECONSTRUÇÃO DE IMAGENS Nielsen Castelo Damasceno Restauração de imagem Procura recuperar uma imagem corrompida com base em um conhecimento a priori do fenômeno de degradação. Restauração
Leia maisVideo Quality Assessment in Java
Video Quality Assessment in Java Pós-graduação strictu sensu em Ciência da Computação PROCESSAMENTO DE IMAGENS, Prof. Tsang Ing Ren Estêvão Monteiro Ricardo Scholz Junho de 2014 Introdução Fidelidade de
Leia maisDecomposição de Imagens Digitais em Cartoon e Textura Através de Uma Equação de Difusão Não Linear
Decomposição de Imagens Digitais em Cartoon e Textura Através de Uma Equação de Difusão Não Linear Wallace Correa de Oliveira Casaca DCCE-IBILCE-UNESP Rua Cristóvão Colombo, 2265 15054-000 - São José do
Leia maisProcessamento de Imagem. Filtragem no Domínio Espacial Professora Sheila Cáceres
Processamento de Imagem Filtragem no Domínio Espacial Professora Sheila Cáceres Filtragem A filtragem de imagens pode ser realizada no domínio do espaço e da frequência Operadores de filtragem são classificados
Leia mais1. Introdução sobre fmri
. Introdução sobre fmri ópicos:. Introdução sobre fmri;. Pré-processamento de fmri; 3. Modelo linear geral; 4. Difusão anisotrópica robusta (RAD); 5. Filtragem de fmri pela RAD. 970s - Uso de MRI estrutural
Leia maisALGORITMOS PARA ALINHAMENTO DE IMAGENS MÉDICAS: PRÍNCIPIOS E APLICAÇÃO EM IMAGENS DE ESCLEROSE MÚLTIPLA
ALGORITMOS PARA ALINHAMENTO DE IMAGENS MÉDICAS: PRÍNCIPIOS E APLICAÇÃO EM IMAGENS DE ESCLEROSE MÚLTIPLA Frederico L. Jacob, João Manuel R. S. Tavares, Ana Mafalda Reis Problemática Desenvolver metodologias
Leia maisEliminação de Ruídos e Extração de Bordas em Imagens Digitais via Equação de Difusão não-linear
Eliminação de Ruídos e Extração de Bordas em Imagens Digitais via Equação de Difusão não-linear Wallace Correa de Oliveira Casaca DCCE-IBILCE-UNESP Rua Cristóvão Colombo, 2265 15054-000 - São José do Rio
Leia maisProcessamento Digital de Imagens
Ciência da Computação Processamento Digital de Imagens Prof. Sergio Ribeiro Tópicos Transformações de Intensidade Transformações Logarítmicas Comparação entre Diversas Técnicas 2 Transformações de Intensidade
Leia maisAPLICAÇÃO DE TÉCNICAS DE PROCESSAMENTO DE IMAGENS DIGITAIS EM IMAGENS GERADAS POR ULTRA-SOM
VIII ERMAC 8 o Encontro Regional de Matemática Aplicada e Computacional 0- de Novembro de 008 Universidade Federal do Rio Grande do Norte Natal/RN APLICAÇÃO DE TÉCNICAS DE PROCESSAMENTO DE IMAGENS DIGITAIS
Leia maisT4 Processamento de Imagem
T4 Processamento de Imagem Proc. Sinal e Imagem Mestrado em Informática Médica Hélder Filipe Pinto de Oliveira Resumo 1. Manipulação ponto a ponto 2. Conetividade 3. Filtros espaciais 4. Extração de estruturas
Leia maisAvaliação de desempenho de wavelet shrinkage pela esparsidade dos coeficientes
Avaliação de desempenho de wavelet shrinkage pela esparsidade dos coeficientes Vinícius Ávila da Silva e Evandro Ottoni Teatini Salles Resumo A técnica conhecida como wavelet shrinkage se consagrou como
Leia maisRealce de imagens parte 2: ltragem espacial SCC5830/0251 Processamento de Imagens
Realce de imagens parte 2: ltragem espacial SCC5830/0251 Processamento de Imagens Prof. Moacir Ponti Jr. www.icmc.usp.br/~moacir Instituto de Ciências Matemáticas e de Computação USP 2013/1 Moacir Ponti
Leia maisAlgoritmo Array Rápido para Filtragem de Sistemas Lineares Sujeitos a Saltos Markovianos com Variação Estruturada dos Parâmetros no Tempo
Trabalho apresentado no XXXVII CNMAC, SJ dos Campos - SP, 2017 Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Algoritmo Array Rápido para Filtragem de Sistemas Lineares
Leia maisT4.1 Processamento de Imagem
T4.1 Processamento de Imagem Proc. Sinal e Imagem Mestrado em Informática Médica Miguel Tavares Coimbra Resumo 1. Manipulação ponto a ponto 2. Filtros espaciais 3. Extracção de estruturas geométricas 4.
Leia maisModelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Proceeding Series of the Brazilian Society of pplied and Computational Mathematics, Vol., N., 0. Trabalho apresentado no XXXV CNMC, Natal-RN, 0. Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Leia maisPLANO DE TRABALHO: DISCIPLINA OPTATIVA PROCESSAMENTO DE IMAGENS MÉDICAS
PLANO DE TRABALHO: DISCIPLINA OPTATIVA PROCESSAMENTO DE IMAGENS MÉDICAS PROFESSOR: Alexei Manso Correa Machado 1. EMENTA Percepção visual. Modalidades de aquisição e reconstrução tomográfica. Amostragem
Leia maisCapítulo III Processamento de Imagem
Capítulo III Processamento de Imagem Proc. Sinal e Imagem Mestrado em Informática Médica Miguel Tavares Coimbra Resumo 1. Manipulação ponto a ponto 2. Filtros espaciais 3. Extracção de estruturas geométricas
Leia maisFiltragem linear. jorge s. marques, questão: como remover artefactos?
Filtragem linear questão: como remover artefactos? redução de ruído como reduzir o ruído de uma imagem? ideia: substituir cada piel por uma média Jm,n = m+ k n+ k k + p= m kq= n k Ip,q k= k+ k+ k= filtro
Leia maisExtração de objetos de interesse em imagens digitais utilizando a biblioteca de Visão Computacional OpenCV
Extração de objetos de interesse em imagens digitais utilizando a biblioteca de Visão Computacional OpenCV Izadora Aparecida RAMOS 1,3,4 ; Servílio Souza de ASSIS 1,3,4 ; Bruno Alberto Soares OLIVEIRA
Leia maisRESTAURAÇÃO DE IMAGENS: OUTROS FILTROS E NOVAS TÉCNICAS PARA FILTRAGEM DE RUÍDO (DENOISING)
RESTAURAÇÃO DE IMAGENS: OUTROS FILTROS E NOVAS TÉCNICAS PARA FILTRAGEM DE RUÍDO (DENOISING) Non-local Means Wavelets Block-matching 3D POLYANA F. NUNES HELDER C. R. DE OLIVEIRA Realce: método subjetivo
Leia maisOrientação de Bordas em Imagens Digitais: Abordagem por Análise de Vizinhança Local
Orientação de Bordas em Imagens Digitais: Abordagem por Análise de Vizinhança Local Inês Aparecida Gasparotto Boaventura DCCE-IBILCE-UNESP Rua Cristovão Colombo, 2265 15054-000, São José do Rio Preto,
Leia maisINVESTIGATING THE USE OF BLOCK-MATCHING 3D DENOISING ALGORITHM TO REDUCE RADIATION DOSE IN DIGITAL MAMMOGRAPHY
INVESTIGATING THE USE OF BLOCK-MATCHING 3D DENOISING ALGORITHM TO REDUCE RADIATION DOSE IN DIGITAL MAMMOGRAPHY HELDER C. R. DE OLIVEIRA POLYANA F. NUNES LUCAS R. BORGES MARCELO A. C. VIEIRA 2 MOTIVAÇÃO
Leia maisProcessamento de Imagem. Prof. MSc. André Yoshimi Kusumoto
Processamento de Imagem Prof. MSc. André Yoshimi Kusumoto andrekusumoto.unip@gmail.com Filtragem de Imagens A utilização de filtros tem como objetivo melhorar a qualidade das imagens através da: ampliação
Leia maisProcessamento de Imagens Digitais
Processamento de Imagens Digitais Antonio Cesar Germano Martins 2º semestre de 2018 Apresentações Nascido em Sorocaba. Graduado em Bacharelado em Física pela UNICAMP em 1989, tendo participado de pesquisas
Leia maisAnálise de Componentes Principais (PCA)
Análise de Componentes Principais (PCA) Lailson B. Moraes, George D. C. Cavalcanti {lbm4,gdcc}@cin.ufpe.br Roteiro Introdução Características Definição Algoritmo Exemplo Aplicações Vantagens e Desvantagens
Leia maisFiltros de Gabor Da Teoria à Aplicação
Filtros de Gabor Da Teoria à Aplicação Ricardo J. Ferrari, Ph.D. rferrari@icmc.usp.br Instituto de Ciências Matemáticas e de Computação Universidade de São Paulo São Carlos, Brasil Introdução Sumário Sistema
Leia maisReconhecimento de texturas utilizando padrão binário local e classificador knn.
Reconhecimento de texturas utilizando padrão binário local e classificador knn. Vinicius Santos Andrade 1 Resumo. Através de uma imagem é possível obter inúmeras informações. Portanto, é cada vez mais
Leia mais7 Extração de Dados Quantitativos
Capítulo 7 - Extração de Dados Quantitativos 119 7 Extração de Dados Quantitativos A técnica de medição desenvolvida e descrita nos capítulos anteriores produz como resultado a variação temporal da espessura
Leia maisProcessamento digital de imagens
Processamento digital de imagens Agostinho Brito Departamento de Engenharia da Computação e Automação Universidade Federal do Rio Grande do Norte 6 de outubro de 2016 Segmentação de imagens A segmentação
Leia maisELIMINAÇÃO DE RUÍDOS EM IMAGENS USANDO EQUAÇÕES DIFERENCIAIS PARCIAIS
CONVÊNIOS CNPq/UFU & FAPEMIG/UFU Universidade Federal de Uberlândia Pró-Reitoria de Pesquisa e Pós-Graduação DIRETORIA DE PESQUISA COMISSÃO INSTITUCIONAL DE INICIAÇÃO CIENTÍFICA 008 UFU 30 anos ELIMINAÇÃO
Leia maisEstudo comparativo de métodos de segmentação das bordas de lesões em imagens dermatoscópicas
Estudo parativo de métodos de segmentação das bordas de lesões em imagens dermatoscópicas Pedro Vinícius Macêdo de Araújo, Geraldo Braz Junior Curso de Ciência da Computação Universidade Federal do Maranhão
Leia maisIntrodução ao Processamento Digital de Imagens. Aula 9 Restauração de Imagens. Prof. Dr. Marcelo Andrade da Costa Vieira
Introdução ao Processamento Digital de Imagens Aula 9 Restauração de Imagens Prof. Dr. Marcelo Andrade da Costa Vieira mvieira@sc.usp.br Realce x Restauração Realce: Processar a Imagem para obter um resultado
Leia maisUNIVERSIDADE ESTADUAL DE MARINGÁ PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO. Prof. Yandr re Costa - 1. Prof. Yandre Costa.
UNIVERSIDADE ESTADUAL DE MARINGÁ PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO Prof. Yandr re Costa - 1 Textura Prof. Yandre Costa Prof. Yandr re Costa - 2 Textura é um importante atributo visual
Leia maisProcessamento Digital de Imagens
Ciência da Computação Processamento Digital de Imagens Tópicos Abordagem Contínua da Equalização Equalização Exemplo de Equalização Prof. Sergio Ribeiro 2 Técnica que procura redistribuir os valores de
Leia maisIDENTIFICAÇÃO DE MARCADORES DE PAVIMENTAÇÃO NA ORIENTAÇÃO DE CEGOS. André Zuconelli 1 ; Manassés Ribeiro 2
IDENTIFICAÇÃO DE MARCADORES DE PAVIMENTAÇÃO NA ORIENTAÇÃO DE CEGOS André Zuconelli 1 ; Manassés Ribeiro 2 INTRODUÇÃO As tecnologias assistivas têm a finalidade de auxiliar pessoas com deficiência a alcançar
Leia maisAVALIAÇÃO QUALITATIVA DE DETECÇÃO DE BORDAS EM IMAGENS DE RADIOGRAFIA PERIAPICAIS
AVALIAÇÃO QUALITATIVA DE DETECÇÃO DE BORDAS EM IMAGENS DE RADIOGRAFIA PERIAPICAIS Hedlund Erik Martins Távora 1, John Hebert Da Silva Felix 2, Darleison Rodrigues Barros Filho 3, Fausta Joaquim Faustino
Leia maisDetecção Robusta de Movimento de Câmera em Vídeos por Análise de Fluxo Ótico Ponderado
Detecção Robusta de Movimento de Câmera em Vídeos por Análise de Fluxo Ótico Ponderado Rodrigo Minetto Prof. Dr. Neucimar Jerônimo Leite (Orientador) Prof. Dr. Jorge Stolfi (Co-orientador) Instituto de
Leia maisProcessamento de Imagens. Texturas
Processamento de Imagens Texturas Exemplos Introdução Texturas Não existe abordagem formal Não existe definição formal São definidas qualitativamente e não há consenso quanto a sua definição quantitativa
Leia maisProcessamento de Imagens Filtragem Digital
Filtragem Digital Consiste na aplicação de técnicas de transformação (operadores máscaras) com o objetivo de corrigir, suavizar ou realçar determinadas características de uma imagem dentro de uma aplicação
Leia maisPLANO DE TRABALHO: DISCIPLINA OPTATIVA PROCESSAMENTO DE IMAGENS MÉDICAS
PLANO DE TRABALHO: DISCIPLINA OPTATIVA PROCESSAMENTO DE IMAGENS MÉDICAS PROFESSOR: Alexei Manso Correa Machado 1. EMENTA Percepção visual. Modalidades de aquisição e reconstrução tomográfica. Amostragem
Leia maisTextura. Textura 04/09/2014. Prof. Yandre Costa
UNIVERSIDADE ESTADUAL DE MARINGÁ PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO Prof. Yandre Costa - 1 Prof. Yandre Costa Prof. Yandre Costa - 2 é um importante atributo visual presente em imagens,
Leia maisProcessamento de Imagem. Histograma da Imagem Professora Sheila Cáceres
Processamento de Imagem Histograma da Imagem Professora Sheila Cáceres Histograma É a distribuição de frequência dos níveis de cinza da imagem onde cada entrada no eixo x representa o nível de cinza específico
Leia maisProcessamento de Imagens COS756 / COC603
Processamento de Imagens COS756 / COC603 aula 09 - curvatura Antonio Oliveira Ricardo Marroquim 1 / 1 aula de hoje feature detection overview curvatura espaço de escala block matching 2 / 1 curvatura o
Leia maisProcessamento e Análise de Imagens Médicas
Processamento e Análise de Imagens Médicas Prof. Luiz Otávio Murta Junior 1 : Programa Fundamentos de imagem O modelo de imagem Brilho, contraste, luminância A imagem digital Quantização, amostragem e
Leia maisEliminação de Ruído Impulsivo Usando um Filtro Mediano Seletivo e Difusão Isotrópica
Eliminação de Ruído Impulsivo Usando um Filtro Mediano Seletivo e Difusão Isotrópica Marcos Proença de Almeida 1 Maurílio Boaventura 1 Resumo: Neste trabalho apresenta-se um algoritmo combinando-se uma
Leia maisSEL-0339 Introdução à Visão Computacional. Aula 5 Segmentação de Imagens
Departamento de Engenharia Elétrica - EESC-USP SEL-0339 Introdução à Visão Computacional Aula 5 Segmentação de Imagens Prof. Dr. Marcelo Andrade da Costa Vieira Prof. Dr. Adilson Gonzaga Segmentação de
Leia maisDescritores de Imagens
Descritores de Imagens André Tavares da Silva PPGCA/UDESC Outubro de 2017 André Tavares da Silva (PPGCA/UDESC) Descritores de Imagens Outubro de 2017 1 / 18 Descritores Locais e Frameworks SIFT SURF Viola-Jones
Leia maisPré-Processamento de Dados de Imagem Funcional por Ressonância Magnética Usando o Filtro de Kalman
Trabalho apresentado no XXXV CNMAC, Natal-RN, 014. Pré-Processamento de Dados de Imagem Funcional por Ressonância Magnética Usando o Filtro de Kalman Valcir J. da C. Farias, Marcus P. C. da Rocha, Heliton
Leia maisAnálise de Imagens em Escalas Utilizando a Transformada Wavelet
59 Análise de Imagens em Escalas Utilizando a Transformada Wavelet Francisco E. A. Leite 1, Marcos V. C. Henriques 1, Maytê T. N. Cunha 1 1 Universidade Federal Rural do Semi-Árido (UFERSA) 1 Centro Multidisciplinar
Leia maisAnálise de Regressão Linear Simples e
Análise de Regressão Linear Simples e Múltipla Carla Henriques Departamento de Matemática Escola Superior de Tecnologia de Viseu Introdução A análise de regressão estuda o relacionamento entre uma variável
Leia maisReconhecimento de Tipos de Movimento Humano baseados no método GMM.
Reconhecimento de Tipos de Movimento Humano baseados no método GMM. C.Gonçalves 1 ; L.A.Pereira; J.C.Pizolato, Jr.; A.Gonzaga. Escola de Engenharia de São Carlos-EESC-USP Av. Trab. São-Carlense, 400 CP
Leia maisImage Descriptors: texture
Image Descriptors: texture Image Processing scc0251 www.icmc.usp.br/ moacir moacir@icmc.usp.br ICMC/USP São Carlos, SP, Brazil 2011 Moacir Ponti Jr. (ICMCUSP) Image Descriptors: texture 2011 1 / 28 Agenda
Leia maisOperações Pontuais. 1 operando. 2 operandos. Processamento e Análise de Imagem - A. J. Padilha - v ac
Operações Pontuais 1 operando T OP 2 operandos Pré-Processamento - 1 Operações Pontuais Nas operações pontuais, cada ponto da imagem-resultado - g(i,j) - é obtido por uma transformação T do ponto de coordenadas
Leia maisProcessamento de Imagens COS756 / COC603
Processamento de Imagens COS756 / COC603 aula 07 - deteção de características de baixo-nível (low-level feature detection) Antonio Oliveira Ricardo Marroquim 1 / 35 aula de hoje feature detection overview
Leia maisEstudo sobre decodificação iterativa usando códigos de treliça
Revista de Engenharia e Pesquisa Aplicada, Volume 2, Número 1, 2016 Estudo sobre decodificação iterativa usando códigos de treliça Souza, I. M. M. Escola Politécnica de Pernambuco Universidade de Pernambuco
Leia maisRegressão Local (LOESS)
Regressão Local (LOESS) Wagner Hugo Bonat 14 de novembro de 2007 1 Regressão Local Regressão Local (Loess) é um método não paramétrico que estima curvas e superfícies através de suavização (smoothing).
Leia maisUMA VISÃO SOBRE O PROCESSAMENTO DE IMAGENS. Rogério Vargas DCET UESC Home page: rogerio.in
UMA VISÃO SOBRE O PROCESSAMENTO DE IMAGENS Rogério Vargas DCET UESC Home page: rogerio.in Exemplo de aplicações: automação e visão artificial reconhecimento de caracteres análise de cromossomos veículos
Leia maisAVALIAÇÃO DA ESTIMATIVA DE PARÂMETROS PARA MODELOS AR2D APLICADOS NA EXTRAÇÃO DE ATRIBUTOS DE TEXTURA EM IMAGENS DE SENSORIAMENTO REMOTO
AVALIAÇÃO DA ESTIMATIVA DE PARÂMETROS PARA MODELOS AR2D APLICADOS NA EXTRAÇÃO DE ATRIBUTOS DE TEXTURA EM IMAGENS DE SENSORIAMENTO REMOTO GUSTAVO TADEU ZANIBONI 1 LUCIANO VIEIRA DUTRA 1 1 INPE - Instituto
Leia maisEstimativa automática para o número de iterações da difusão anisotrópica para pré-processamento de imagens digitais
Estimativa automática para o número de iterações da difusão anisotrópica para pré-processamento de imagens digitais Alex F. de Araújo Aledir S. Pereira Norian Marranghello Jonathan Rogéri fa.alex@gmail.com
Leia maisSimulação Gráfica. Segmentação de Imagens Digitais. Julio C. S. Jacques Junior
Simulação Gráfica Segmentação de Imagens Digitais Julio C. S. Jacques Junior Segmentação Subdivide uma imagem em suas partes ou objetos constituintes. O nível até o qual essa subdivisão deve ser realizada
Leia maisProposta de Curso LNCC
Proposta de Curso LNCC Professor: Gilson A. Giraldi (D.Sc) Título do Curso: Visualização Científica para Análise de Imagens Médica. Período: Quarto Período de 2001 Objetivos O processamento/visualização
Leia maisMétodo de Otsu. Leonardo Torok 1
Método de Otsu Leonardo Torok 1 1 Instituto de Computação Universidade Federal Fluminense (UFF) Av. Gal. Milton Tavares de Souza, s/nº 24.210 346 Niterói RJ Brasil ltorok@ic.uff.br Resumo. O método de
Leia maisProcessamento de Imagem. Prof. MSc. André Yoshimi Kusumoto
Processamento de Imagem Prof. MSc. André Yoshimi Kusumoto andrekusumoto.unip@gmail.com Filtragem de Imagens A utilização de filtros tem como objetivo melhorar a qualidade das imagens através da: ampliação
Leia maisO EFEITO DA CORREÇÃO DO EFEITO HEEL EM IMAGENS RADIOGRÁFICAS DA MÃO
Artigo Original O EFEITO DA CORREÇÃO DO EFEITO HEEL EM IMAGENS RADIOGRÁFICAS DA MÃO C. Olivete Jr., E. L. L. Rodrigues e M. Z. do Nascimento Escola de Engenharia de São Carlos, Departamento de Engenharia
Leia maisQuadro Segmentação de Imagens
UNIVERSIDADE DE SÃO PAULO - SÃO CARLOS INSTITUTO DE CIÊNCIAS Processamento de Imagens - SCC0251 2013/1 Prof. Dr. Mario Gazziro Monitor PAE: Vinicius Ruela Pereira Borges - viniciusrpb@icmc.usp.br 1 Método
Leia maisDetecção de Feições Cartográficas Utilizando Equações Diferenciais Parciais e Imagens Orbitais
Pesquisas em Geociências, 3 (): 101-108, 005 INSS 1807-9806 Instituto de Geociências, UFRGS Porto Alegre, RS - Brasil Detecção de Feições Cartográficas Utilizando Equações Diferenciais Parciais e Imagens
Leia maisSetor de Tecnologia - TC Engenharia Ambiental Avaliação 2. Matemática Aplicada II
Universidade Federal do Paraná Matemática Aplicada II Setor de Tecnologia - TC Engenharia Ambiental 214-1 Curitiba, 6.6.214 Avaliação 2 Matemática Aplicada II Tobias Bleninger Departamento de Engenharia
Leia maisOtimização do algoritmo Non Local Means utilizando método de segmentação K-means
Otimização do algoritmo Non Local Means utilizando método de segmentação K-means Douglas Andrade de Meneses¹ Leonardo Vidal Batista² Resumo - O algoritmo Non Local Means é amplamente utilizado para filtragem
Leia maisExtração de atributos usando o método LBP - Local Binary Pattern
Extração de atributos usando o método LBP - Local Binary Pattern Lia Nara Balta Quinta. 2 de maio de 2006 1 Antecedentes e Justificativa O Brasil possui, atualmente, um grande rebanho bovino, porém em
Leia maisINTRODUÇÃO. Edinéia Aparecida dos Santos GALVANIN & Erivaldo Antonio da SILVA
DETECÇÃO DE FEIÇÕES CARTOGRÁFICAS EM IMAGENS DIGITAIS ATRAVÉS DA APLICAÇÃO DE UM MODELO DE DIFUSÃO ANISOTRÓPICA BASEADO EM EQUAÇÕES DIFERENCIAIS PARCIAIS Edinéia Aparecida dos Santos GALVANIN & Erivaldo
Leia maisUsando MLP para filtrar imagens
Usando MLP para filtrar imagens Thiago Richter, Ediel Wiezel da Silva, e Adilson Gonzaga Departamento de Engenharia Elétrica, Universidade de São Paulo, Brasil thiago.richter@yahoo.com.br, edielws@gmail.com,
Leia maisAnálise de regressão linear simples. Diagrama de dispersão
Introdução Análise de regressão linear simples Departamento de Matemática Escola Superior de Tecnologia de Viseu A análise de regressão estuda o relacionamento entre uma variável chamada a variável dependente
Leia maisSEGMENTAÇÃO DE IMAGENS
SEGMENTAÇÃO DE IMAGENS Definição Segmentação é o processo que divide uma imagem em regiões distintas, cada uma com pixels com atributos similares Particiona os pixels de uma imagem em grupos, geralmente
Leia maisIntrodução ao DPCM para compressão de imagens da câmera PAN do CBERS-3&4
Introdução ao DPCM para compressão de imagens da câmera PAN do CBERS-3&4 Desenvolvido por CAST, CRESDA Lilian Nogueira de Faria (Bolsista)...DPI/INPE Leila Maria Garcia Fonseca...DPI/INPE Introdução ao
Leia maisTópicos: 1. Introdução sobre fmri; 2. Pré-processamento de fmri; 3. Modelo linear geral; 4. Difusão anisotrópica robusta (RAD); 5.
Tópicos:. ntrodução sobre MR;. Pré-processamento de MR; 3. Modelo linear geral; 4. Diusão anisotrópica robusta (RAD); 5. Filtragem de MR pela RAD. . ntrodução sobre MR 970s - Uso de MR estrutural na medicina.
Leia maisFusão de Imagem para Deteção de RESUMO
Proelium VII (12) (2017) 193-203 Fusão de Imagem para Deteção de Pessoas Camufladas Nádia Bento a1, José Silva a2, José Dias b a CINAMIL - Centro de Investigação da Academia Militar, Academia Militar,
Leia maisDETERMINAÇÃO DE FUNÇÕES DE TRANSFERÊNCIA DE PROCESSOS QUÍMICOS ATRAVÉS DO MÉTODO DE EVOLUÇÃO DIFERENCIAL UTILIZANDO O SCILAB
DETERMINAÇÃO DE FUNÇÕES DE TRANSFERÊNCIA DE PROCESSOS QUÍMICOS ATRAVÉS DO MÉTODO DE EVOLUÇÃO DIFERENCIAL UTILIZANDO O SCILAB A. H. R. REZENDE 1, D. L. SOUZA 1 1 Universidade Federal do Triângulo Mineiro,
Leia maisProcessamento de Imagem. Relaçionamentos entre pixels e Operações Aritméticas e Lógicas Professora Sheila Cáceres
Processamento de Imagem Relaçionamentos entre pixels e Operações Aritméticas e Lógicas Professora Sheila Cáceres Relacionamentos básicos entre elementos de uma imagem Vizinhança Conectividade Adjacência
Leia maisRadiométricas. Alexandre Xavier Falcão. Instituto de Computação - UNICAMP
Operações Matemáticas e Transformações Radiométricas Instituto de Computação - UNICAMP afalcao@ic.unicamp.br Operações Matemáticas Sejam Î = (D I, I ) e Ĵ = (D J, J) duas imagens cinzas de mesmo domínio,
Leia maisSegmentação de Tecidos Cerebrais em Imagens Tridimensionais do Cérebro
Segmentação de Tecidos Cerebrais em Imagens Tridimensionais do Cérebro 1 Flávio Milsztajn, 1, 2 Klaus de Geus 1 COPEL Companhia Paranaense de Energia Rua José Izidoro Biazzeto, 158, 81240-200 Curitiba
Leia maisDr. Sylvio Barbon Junior. Departamento de Computação - UEL. 1 o Semestre de 2015
Introdução a Computação Gráfica [5COP100] Dr. Sylvio Barbon Junior Departamento de Computação - UEL 1 o Semestre de 2015 Assunto Aula 6 Histograma de Imagem Digital 2 de 18 Sumário Conceitos Sistema de
Leia maisExtração de Características. Carlos Alexandre Mello
Extração de Características Carlos Alexandre Mello Pós-Graduação em Ciência da Computação Carlos Alexandre Mello cabm@cin.ufpe.br 1 Extração de Características Representação de objetos através de um conjunto
Leia maisProcessamento de Imagens
Processamento de Imagens Prof. Dr. Márcio Sarroglia Pinho 1 Histogramas Equalização Histogramas alpha = 255 / numpixels for each pixel g(x,y) = cumulativefrequency[f(x,y)] * alpha end for http://www.generation5.org/content/2004/histogramequalization.asp
Leia maisAUTOMATED ASSESSMENT OF BREAST TISSUE DENSITY IN DIGITAL MAMMOGRAMS
AUTOMATED ASSESSMENT OF BREAST TISSUE DENSITY IN DIGITAL MAMMOGRAMS Introdução Câncer de mama É uma das neoplasias mais comuns que afligem as mulheres Globalmente, a cada 3 min uma mulher é diagnosticada
Leia maisAnálise de dados em Geociências
Análise de dados em Geociências Modelação estatística Susana Barbosa Mestrado em Ciências Geofísicas 2014-2015 Resumo Modelação estatística Conceitos básicos de modelação estatística Modelação - identificação
Leia maisDescritores de Imagens
Descritores de Imagens André Tavares da Silva PPGCA/UDESC Outubro de 2017 André Tavares da Silva (PPGCA/UDESC) Descritores de Imagens Outubro de 2017 1 / 17 Introdução Excelentes pesquisas sobre descritores
Leia maisDETECÇÃO E AFINAMENTO DE BORDAS UTILIZANDO SUAVIZAÇÃO ANISOTRÓPICA E ESQUELETIZAÇÃO
Curitiba, 16 a 0 de maio de 005 DETECÇÃO E AFINAMENTO DE BORDAS UTILIZANDO SUAVIZAÇÃO ANISOTRÓPICA E ESQUELETIZAÇÃO Galvanin, E. A. S. 1, Vale, G. M. 1, Dal Poz, A. P. e Telles, S. S. S. 1 1- UNESP,Universidade
Leia maisFundamentos da Computação Gráfica
Fundamentos da Computação Gráfica Trabalho 2 Visão. Detecção de cantos. Manuel Alejandro Nodarse Moreno (1322198) Introdução. Detecção de cantos é uma abordagem utilizada em sistemas de visão computacional
Leia maisProcessamento Digital de Imagens
Ciência da Computação Processamento Digital de Imagens Tópicos Detecção de Pontos Isolados Detecção de Linhas Prof. Sergio Ribeiro 2 Operações lógicas e aritméticas orientadas a vizinhança utilizam o conceito
Leia maisRealce de imagens parte 1: operações pontuais SCC0251 Processamento de Imagens
Realce de imagens parte 1: operações pontuais SCC0251 Processamento de Imagens Prof. Moacir Ponti Jr. www.icmc.usp.br/~moacir Instituto de Ciências Matemáticas e de Computação USP 2013/1 Moacir Ponti Jr.
Leia maisProcessamento de Imagem. Prof. MSc. André Yoshimi Kusumoto
Processamento de Imagem Prof. MSc. André Yoshimi Kusumoto andrekusumoto.unip@gmail.com Filtragem de Imagens A utilização de filtros tem como objetivo melhorar a qualidade das imagens através da: ampliação
Leia maisMetodologia de Box-Jenkins. Metodologia de Box-Jenkins. Metodologia de Box-Jenkins
Programa de Pós-graduação em Engenharia de Produção Análise de séries temporais: Modelos de Box-Jenkins Profa. Dra. Liane Werner Metodologia de Box-Jenkins Para os modelos de decomposição e os modelos
Leia maisRealce de Bordas em Imagens Digitais: Uma Abordagem por Números Fuzzy
Realce de Bordas em Imagens Digitais: Uma Abordagem por Números Fuzzy Inês Ap. Gasparotto Boaventura Adilson Gonzaga IBILCE-UNESP- São José do Rio Preto EESC-USP-São Carlos Fone: (17) 3221-2205 Fone: (16)
Leia maisCLASSIFICAÇÃO DE PADRÕES EM IMAGENS UTILIZANDO DESCRITORES DE TEXTURA Pattern Classification in Images Using Descriptors of Texture
CLASSIFICAÇÃO DE PADRÕES EM IMAGENS UTILIZANDO DESCRITORES DE TEXTURA Pattern Classification in Images Using Descriptors of Texture 1 e Sandro Roberto Fernandes 2 Resumo: Nesta pesquisa foi desenvolvido
Leia maisEN3604 FILTRAGEM ADAPTATIVA
EN3604 FILTRAGEM ADAPTATIVA Introdução Filtros adaptativos, os quais têm como meta transformar os sinais portadores de informação em versões limpas ou melhoradas, ajustam suas características de acordo
Leia maisAvaliação de desempenho de detectores de bordas em imagens ruidosas
Avaliação de desempenho de detectores de bordas em imagens ruidosas Carolina Toledo Ferraz, Raissa Tavares Vieira, Virgílio de Melo Langoni, Adilson Gonzaga Departamento de Engenharia Elétrica - EESC/USP
Leia mais